AI LLM adalah Mesin Prediksi Pembicaraan

Artificial Intelligence (AI), khususnya Large Language Model (LLM), sering dianggap sebagai mesin yang “mengetahui jawaban”. Padahal, cara kerja LLM lebih tepat dipahami sebagai mesin prediksi pembicaraan.

LLM tidak berpikir dan berbicara seperti manusia. Model menerima rangkaian teks yang telah diubah menjadi token, kemudian menggunakan pola yang dipelajarinya dari data pelatihan untuk memperkirakan token berikutnya yang paling sesuai dengan konteks.

Dengan kata sederhana:

AI LLM tidak mengetahui apa yang akan dikatakan. AI memprediksi apa yang paling mungkin dikatakan berikutnya.

Dari Token ke Pembicaraan

Ketika seseorang memberikan pertanyaan kepada AI, pertanyaan tersebut dipecah menjadi token. Token dapat berupa kata, bagian kata, tanda baca, atau elemen teks lainnya.

Misalnya pengguna menulis:

“Indonesia adalah negara yang memiliki banyak...”

LLM akan menganalisis konteks tersebut dan memprediksi kelanjutan yang memiliki probabilitas tinggi, misalnya:

“pulau”

Kemudian proses tersebut tidak berhenti. Setelah menghasilkan token “pulau”, token tersebut menjadi bagian dari konteks berikutnya. Model kembali melakukan prediksi untuk menentukan token selanjutnya.

Prosesnya berlangsung berulang:

Input → Tokenisasi → Analisis konteks → Prediksi token → Token baru → Prediksi berikutnya → ...

Dari rangkaian prediksi tersebut akhirnya terbentuk sebuah kalimat, paragraf, bahkan percakapan yang panjang.

Mengapa Disebut Mesin Prediksi Pembicaraan?

Istilah mesin prediksi pembicaraan digunakan untuk menggambarkan bahwa LLM tidak sekadar memprediksi satu kata secara terpisah.

Model menggunakan konteks percakapan sebelumnya untuk menentukan kemungkinan keluaran berikutnya.

Contohnya:

Pengguna: “Apa ibu kota Indonesia?”

Model tidak hanya melihat kata “Indonesia”. Model mempertimbangkan hubungan antara kata “apa”, “ibu kota”, dan “Indonesia”, kemudian menghasilkan respons yang paling sesuai berdasarkan pola yang telah dipelajarinya.

Dalam konteks sederhana:

Pertanyaan → Prediksi respons

Namun pada percakapan panjang:

Percakapan sebelumnya → Konteks → Prediksi respons berikutnya → Konteks baru → Prediksi berikutnya

Karena itu, percakapan dengan LLM dapat terlihat seolah-olah AI sedang berpikir secara terus-menerus, padahal secara teknis model terus melakukan proses prediksi berdasarkan konteks yang tersedia.

Apakah Prediksi Berarti Meramalkan Masa Depan?

Tidak dalam pengertian meramalkan masa depan.

Ketika dikatakan bahwa AI melakukan prediksi, yang dimaksud adalah prediksi terhadap keluaran berikutnya dalam proses pembangkitan teks.

Misalnya:

“Besok matahari akan...”

Model dapat memprediksi token seperti “terbit”.

AI tidak sedang melihat masa depan. AI sedang memperkirakan kelanjutan teks yang paling sesuai dengan konteks saat ini.

Jadi terdapat perbedaan penting:

Prediksi token ≠ ramalan masa depan

Prediksi token adalah proses komputasional untuk menentukan kemungkinan keluaran berikutnya.

Mengapa AI Bisa Memberikan Jawaban yang Salah?

Karena LLM melakukan prediksi, bukan melakukan verifikasi kebenaran secara otomatis terhadap setiap pernyataan.

Sebuah jawaban dapat terdengar sangat meyakinkan karena susunan katanya memiliki probabilitas yang tinggi berdasarkan pola yang dipelajari model.

Namun:

Kalimat yang paling mungkin dihasilkan tidak selalu merupakan fakta yang paling benar.

Inilah salah satu alasan AI dapat menghasilkan hallucination, yaitu informasi yang terdengar masuk akal tetapi sebenarnya keliru, tidak lengkap, atau tidak memiliki dasar yang kuat.

Oleh karena itu, semakin penting suatu informasi, semakin penting pula dilakukan verifikasi menggunakan sumber yang dapat dipercaya.

AI Tidak Sama dengan Mesin Pencari

Mesin pencari pada dasarnya membantu menemukan informasi dari sumber yang tersedia.

LLM memiliki mekanisme yang berbeda. Model menghasilkan teks berdasarkan pola dan konteks yang telah dipelajarinya.

Perbedaannya dapat digambarkan secara sederhana:

Search Engine

Pertanyaan → Mencari sumber → Menemukan informasi → Menampilkan hasil

LLM

Pertanyaan → Memahami konteks → Memprediksi token → Menghasilkan jawaban

LLM dapat dipadukan dengan mesin pencari, database, RAG, API, atau sumber eksternal untuk meningkatkan akurasi dan memberikan informasi yang lebih aktual.

Percakapan adalah Rangkaian Prediksi

Salah satu konsep penting dalam memahami LLM adalah bahwa sebuah jawaban bukan selalu merupakan satu proses prediksi besar.

Jawaban dapat terbentuk melalui banyak prediksi kecil.

Misalnya model menghasilkan:

“Indonesia memiliki banyak pulau.”

Secara konseptual, model melakukan proses seperti:

Indonesia → memiliki → banyak → pulau → .

Setiap token berikutnya dipengaruhi oleh token-token sebelumnya dan konteks yang tersedia.

Ketika jumlah token yang dihasilkan semakin banyak, rangkaian prediksi tersebut membentuk struktur yang terlihat seperti pemikiran, penjelasan, argumentasi, atau percakapan.

Mengapa LLM Terlihat Seperti Memahami?

LLM dilatih menggunakan jumlah data teks yang sangat besar. Selama proses pelatihan, model mempelajari berbagai pola hubungan antara token, kata, kalimat, konsep, dan konteks.

Akibatnya, model dapat menghasilkan respons yang sangat kompleks.

LLM dapat:

• menjelaskan suatu konsep,
• menulis kode,
• membuat artikel,
• menerjemahkan bahasa,
• menganalisis teks,
• merangkum dokumen,
• menjawab pertanyaan,
• melakukan percakapan,
• dan menghasilkan berbagai bentuk teks.

Kemampuan tersebut membuat AI terlihat seperti memahami dunia dengan cara yang sama seperti manusia.

Namun penting untuk membedakan antara kemampuan menghasilkan respons yang relevan dan pemahaman manusia secara sadar.

Konteks Sangat Penting

Prediksi LLM sangat dipengaruhi oleh konteks.

Jika pengguna hanya memberikan:

“Buatkan aplikasi.”

Konteksnya sangat sedikit.

Namun jika pengguna memberikan:

“Buatkan aplikasi ERP Perusahaan menggunakan Flask, MariaDB, Tailwind CSS, dengan modul akademik, keuangan, kepegawaian, dan CMS.”

Maka konteksnya jauh lebih terstruktur.

Semakin jelas konteks yang diberikan, semakin besar kemungkinan model menghasilkan respons yang sesuai dengan tujuan pengguna.

Inilah alasan mengapa prompt, dokumen, Markdown, instruksi, struktur data, dan konteks percakapan dapat memengaruhi hasil LLM.

Markdown dan Dokumen sebagai Konteks

Markdown dapat menjadi cara yang sangat baik untuk memberikan informasi terstruktur kepada AI.

Misalnya sebuah dokumen berisi:

# Sistem ERP Sekolah

## Modul - Kepegawaian

## Aturan - Penggajian

Struktur tersebut memberikan konteks yang lebih jelas dibandingkan percakapan yang sangat panjang dan tidak terstruktur.

Namun perlu dipahami bahwa Markdown bukan “memori permanen” AI dengan sendirinya. Markdown merupakan informasi yang diberikan sebagai konteks kepada model atau sistem AI.

Kesimpulan

AI LLM dapat dipahami secara sederhana sebagai mesin prediksi pembicaraan.

Model menerima konteks, mengubah teks menjadi token, kemudian memperkirakan token berikutnya berdasarkan pola yang telah dipelajari. Token-token tersebut kemudian disusun menjadi kata, kalimat, paragraf, dan akhirnya menjadi sebuah jawaban.

Karena proses prediksi dilakukan dalam skala besar dan menggunakan model yang sangat kompleks, hasilnya dapat terlihat seperti percakapan manusia.

Tetapi prinsip dasarnya tetap:

LLM menghasilkan jawaban dengan memprediksi kelanjutan token berdasarkan konteks.

Dengan memahami konsep ini, kita dapat memahami mengapa AI dapat sangat membantu, tetapi juga mengapa AI dapat melakukan kesalahan.

AI bukan sekadar “mesin yang tahu semua jawaban”.

AI LLM adalah mesin yang sangat kuat dalam memprediksi bagaimana sebuah pembicaraan dapat dilanjutkan berdasarkan konteks yang diberikan kepadanya.

Memahami AI dimulai dengan memahami bahwa di balik sebuah jawaban yang terlihat cerdas terdapat proses prediksi token yang berlangsung sangat cepat.